文章目录

一、Python实现
- （一）获取面板数据
- （二）固定效应模型
- （三）随机效应模型
- （四）豪斯曼检验
二、Stata实现
- （一）获取面板数据
- （二）固定效应模型
- （三）随机效应模型
- （四）豪斯曼检验

本文研究陈强《计量经济学及Stata应用》12.13案例的python及stata实现。lin_1992dta数据集链接：链接：https://pan.baidu.com/s/10WAjBbZgL4NzZV69JbgbZw 提取码：d0dx

一、Python实现

（一）获取面板数据

import numpy as np
import linearmodels as plm
import scipy.stats as stats
import pandas as pdlin =pd.read_stata(r'C:\Users\mi\Documents\stata\lin_1992.dta')
lin = lin.set_index(['province', 'year'], drop=False)

（二）固定效应模型

reg_fe = plm.PanelOLS.from_formula(formula='ltvfo ~1 +ltlan + ltwlab + ltpow + ltfer + hrs + mci+ ngca + EntityEffects',data=lin)
results_fe = reg_fe.fit()

（三）随机效应模型

reg_re = plm.RandomEffects.from_formula(formula='ltvfo ~1 +ltlan + ltwlab + ltpow + ltfer + hrs + mci+ ngca', data=lin)
results_re = reg_re.fit()

（四）豪斯曼检验

b_fe = results_fe.params
b_re = results_re.params
b_diff = b_fe - b_re
v_fe = results_fe.cov
v_re = results_re.cov
v_diff = v_fe - v_re
df = len(b_fe)table = pd.DataFrame({'FE':b_fe,'RE':b_re,'Difference':b_diff,'sqrt(diag(v_fe-v_re))':np.sqrt(np.diag(v_diff))})
chi2 = np.dot(b_diff.T,  np.linalg.inv(v_diff).dot(b_diff))
pval = 1 - stats.chi2.cdf(chi2, df)print(table)
print()
print(f'chi-Squared: {chi2:.2f}')
print(f'degrees of freedom: {df}')
print(f'p-Value:{pval:.5f}')

结果为：

                 FE        RE  Difference  sqrt(diag(v_fe-v_re))
Intercept  2.310114  2.387878   -0.077764               0.178212
hrs        0.207582  0.218610   -0.011028                    NaN
ltfer      0.176277  0.188274   -0.011997               0.004112
ltlan      0.639966  0.565591    0.074374               0.043153
ltpow      0.077160  0.060477    0.016683               0.001574
ltwlab     0.123993  0.144184   -0.020192               0.009747
mci        0.258036  0.470237   -0.212201               0.052192
ngca       0.772279  0.674517    0.097762               0.046883chi-Squared: 48.68
degrees of freedom: 8
p-Value:0.00000

二、Stata实现

（一）获取面板数据

use C:\Users\mi\Documents\stata\lin_1992.dta,clear
xtset province year

结果为：

Panel variable: province (strongly balanced)Time variable: year, 70 to 87Delta: 1 unit

（二）固定效应模型

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca,fe
estimates store FE

（三）随机效应模型

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca,re
estimates store RE

（四）豪斯曼检验

由于传统的豪斯曼检验假设球形扰动项，故在进行固定效应与随机效应的估计时，均不使用异方差或聚类稳健的标准误。

hausman FE RE,constant

其中，选择项“constant”表示在比较系数估计值时包括常数项（默认不包括常数项）

结果为：

                 ---- Coefficients ----|      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))|       FE           RE         Difference       Std. err.
-------------+----------------------------------------------------------------ltlan |    .6399658     .5655915        .0743743        .0431529ltwlab |    .1239927     .1441844       -.0201917         .009747ltpow |    .0771604      .060477        .0166834         .001574ltfer |    .1762775     .1882741       -.0119966        .0041117hrs |    .2075817     .2186096       -.0110279               .mci |    .2580359     .4702368       -.2122009         .052192ngca |    .7722795     .6745175         .097762        .0468832_cons |    2.310114     2.387878       -.0777638         .178212
------------------------------------------------------------------------------b = Consistent under H0 and Ha; obtained from xtreg.B = Inconsistent under Ha, efficient under H0; obtained from xtreg.Test of H0: Difference in coefficients not systematicchi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B)=  48.68
Prob > chi2 = 0.0000
(V_b-V_B is not positive definite)

由于p指为0.00000，故强烈拒绝原假设，认为应该使用固定效应模型，而非随机效应模型。

但是很多时候计算出的 sqrt(diag(Vb−VB))sqrt(diag(V_b-V_B))sqrt(diag(Vb−VB))可能为负，使用sigmamore选项，表示统一使用随机效应估计量的方差估计，可以大大减少出现负值的可能性。

使用sigmamore选项，我不知道怎么在python中实现，可能还是不懂sigmamore的实现原理。先mark一下，以后再更新。

hausman FE RE,constant sigmamore

结果为：

                 ---- Coefficients ----|      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))|       FE           RE         Difference       Std. err.
-------------+----------------------------------------------------------------ltlan |    .6399658     .5655915        .0743743        .0476709ltwlab |    .1239927     .1441844       -.0201917        .0125808ltpow |    .0771604      .060477        .0166834        .0081232ltfer |    .1762775     .1882741       -.0119966        .0078425hrs |    .2075817     .2186096       -.0110279        .0052769mci |    .2580359     .4702368       -.2122009        .0583709ngca |    .7722795     .6745175         .097762        .0828671_cons |    2.310114     2.387878       -.0777638        .2078242
------------------------------------------------------------------------------b = Consistent under H0 and Ha; obtained from xtreg.B = Inconsistent under Ha, efficient under H0; obtained from xtreg.Test of H0: Difference in coefficients not systematicchi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B)=  48.49
Prob > chi2 = 0.0000
(V_b-V_B is not positive definite)

【Python+Stata】豪斯曼检验：固定效应or随机效应？相关推荐

stata豪斯曼检验报错
xsmle gdp gt cz gdzc ersan ur,model(sdm) wmat(Wzhusj) hausman nolog Warning: All regressors will be ...
豪斯曼检验matlab,面板工具变量与内生性操作及应用（固定随机、豪斯曼检验、过度识别检验、预测等）...
原标题:面板工具变量与内生性操作及应用(固定随机.豪斯曼检验.过度识别检验.预测等)
stata中的SDM模型、豪斯曼检验
global ylist y global xlist x1 x2 x3 x4 x5 x6 x7 x8 xtset id year **SDM模型 xsmle $ylist $xlist,wmat(w ...
豪斯曼检验matlab,豪斯曼检验、空间面板模型选择等问题
各位大神,本人空间计量小白,最近看了姜磊老师的书,自己也进行了实证分析.有一些问题不太懂: 1.空间面板数据模型分为混合空间面板数据模型.空间固定效应空间面板数据模型.时间固定效应空间面板模型.空间和 ...
suest：跨模型比较与广义豪斯曼检验
全文阅读:https://www.lianxh.cn/news/f12a9bcc6cc39.html 目录 1. 理论回顾 1.1 suest 的基准模型 1.2 `suest` 的假设检验 2. s ...
R语言做面板模型的豪斯曼检验
Hausman 检验(有时也称为 Durbin-Wu-Hausman 检验)基于两个不同模型的系数向量的差异.该panelmodel方法基于二次形式计算测试的原始版本(Hausman 1978). & ...
时间固定效应和个体固定效应的选择_互助问答第31期：固定效应与随机效应选择和面板数据处理...
样本描述:各位老师好,我的论文采用的是微观面板非平衡数据(合并了3波数据,总观测值6万左右),每波观测之间约有20%的样本不同(约10%的样本流失,10%的新样本补入),因变量是连续变量,核心自变量是 ...
随机效应估算与固定效应估算_一般混合线性模型固定效应、随机效应与另一随机向量的联合估计...
一般混合线性模型固定效应.随机效应与另一随机向量的联合估计周永正 [期刊名称] <数学的实践与认识> [年 ( 卷 ), 期] 2011(041)019 [摘要] 讨论一般混合线性模型 ...
面板数据回归模型（固定效应、随机效应、混合回归、变系数）、面板数据AR、VAR模型
Stata——固定效应模型、随机效应模型、混合效应模型（区别、实例）
目录 1 固定效应模型概念(Fixed Effects Model) 1.1 stata命令 1.1.1 LSDV法(Least squares dummy variable) 1.1.2 固定效应 ...

【Python+Stata】豪斯曼检验：固定效应or随机效应？

文章目录

一、Python实现

（一）获取面板数据

（二）固定效应模型

（三）随机效应模型

（四）豪斯曼检验

二、Stata实现

（一）获取面板数据

（二）固定效应模型

（三）随机效应模型

（四）豪斯曼检验

【Python+Stata】豪斯曼检验：固定效应or随机效应？相关推荐

最新文章

热门文章